L’IA vient enfin de comprendre le monde

🌍 DreamX-World : le monde simulé qui se souvient de tout

Pour comprendre pourquoi tout le monde court après les modèles monde en ce moment, il faut d’abord voir leur différence avec la génération vidéo classique. Quand on génère un clip avec une IA vidéo, le résultat est joli mais passif : on le regarde, point final. Impossible de tourner la tête pour voir ce qu’il y a derrière un objet, ou de décider de prendre à gauche plutôt qu’à droite. Le modèle a déjà choisi l’angle, la trajectoire, le cadrage à votre place.

Un modèle monde change complètement la logique : au lieu de générer un clip figé, il construit un environnement entier dans lequel on peut se déplacer, interagir, provoquer des événements. C’est le chaînon manquant entre « l’IA génère des images » et « l’IA simule des réalités » — la suite logique d’une évolution qu’on a vécue par étapes : texte → image → vidéo → aujourd’hui, monde simulé.

Ce qui change vraiment la donne : la mémoire spatiale

Les modèles mondes précédents avaient un défaut majeur : aucune cohérence temporelle. On regardait un bâtiment, on tournait la tête, on marchait 30 secondes dans une autre direction puis on revenait… et la scène avait complètement changé, parce que le modèle avait simplement oublié ce qu’il avait généré juste avant. DreamX-World résout ce problème en stockant le contexte spatial des frames précédentes (mémoire conditionnée par la géométrie de la caméra) : même toit, même couleur, même fenêtre, peu importe le temps passé ou la distance parcourue.

• 6 degrés de liberté pour la caméra, navigation libre dans l’environnement généré
• Génération à partir d’un simple prompt texte ou d’une image de référence
• 720p actuellement, cohérence maintenue sur des centaines de frames
• Déclenchement d’événements à partir de texte au sein même de la simulation

Concrètement, ça ouvre la porte à des simulateurs d’entraînement pour la robotique (un prérequis quasi obligatoire avant d’aller plus loin sur ce terrain), à de la prévisualisation architecturale, à du level design procédural pour le jeu vidéo, ou encore à de la formation professionnelle en environnement simulé. Une version plus costaude, à 14 milliards de paramètres, est déjà annoncée pour la suite.

🎬 PermaVid : la mémoire qui sépare forme et apparence

Même fil rouge — la mémoire — mais appliqué à un problème très différent : l’édition vidéo par IA. Aujourd’hui, quand on modifie quelque chose dans une vidéo générée, le modèle oublie la modification au bout de quelques secondes. On change un objet, il revient plus tard. On modifie un style, il se dégrade progressivement. Rien ne tient vraiment dans la durée.

La solution proposée par PermaVid : séparer la mémoire en deux banques distinctes.

Cette séparation change tout : quand on applique un changement de style global, la géométrie reste stable en dessous. À l’inverse, quand on modifie un objet localement, le reste de la scène ne bouge pas d’un pixel. Le code est disponible sur GitHub et le modèle s’appuie sur Wan2.1-VACE-14B — il faut donc un GPU assez haut de gamme pour le faire fonctionner. C’est une actu clairement orientée recherche, qui s’adresse aux utilisateurs les plus avancés plutôt qu’au grand public.

🧪 GPT-5.4 résout un problème de chimie vieux de 20 ans

On quitte les mondes générés par ordinateur pour un vrai laboratoire de chimie, ici sur Terre. OpenAI a publié les résultats d’une collaboration de près de 3 mois avec Molecule.one, une start-up polonaise spécialisée en chimie automatisée, branchée sur Maria, sa plateforme IA de laboratoire.

L’objectif donné au modèle était volontairement très large : « trouve un moyen d’améliorer une classe de réaction importante en chimie médicale. » Aucune direction précise, aucune piste imposée. GPT-5.4 a choisi de s’attaquer au couplage de Chan-Lam, une réaction qui permet de former des liaisons carbone-azote, omniprésente en chimie médicale.

Le problème : des sulfonamides difficiles à dompter

Le modèle a identifié un groupe chimique particulièrement problématique : les sulfonamides primaires, présents dans plus de 91 médicaments déjà approuvés par les autorités sanitaires, en oncologie, cardiologie ou parmi les antimicrobiens. Historiquement, cette réaction fonctionnait très mal avec ce groupe : rendements faibles, résultats imprévisibles — un problème connu depuis des décennies dans le domaine.

La proposition de l’IA a été d’ajouter le TEMPO, un oxydant doux, comme additif. Un choix que les chimistes humains ont qualifié de contre-intuitif : ce n’est clairement pas une piste qu’ils auraient explorée spontanément.

Les résultats, testés sur plus de 10 000 réactions

Molecule.one a testé l’hypothèse sur 10 080 réactions chimiques au total. Quand les chimistes humains ont reproduit manuellement une sélection de résultats, 11 paires sur 14 confirmaient l’amélioration, avec un rendement souvent plus que doublé. L’équipe a même fini par trouver un analogue du TEMPO, moins coûteux, qui fonctionne presque aussi bien.

Les chimistes humains sont restés dans la boucle pour superviser le processus, corriger la trajectoire quand c’était nécessaire, et exécuter physiquement les manipulations. Mais la trouvaille intellectuelle qui a débloqué le problème venait bel et bien du modèle. C’est la deuxième fois en quelques jours qu’une IA fait une découverte de ce type — la précédente concernait les mathématiques. Le signal est clair : l’IA s’attaque méthodiquement à tous les domaines de la science.

🤖 Moya : le robot compagnon à la peau tiède

Retour au monde physique, direction la robotique — l’aboutissement de tout ce que l’IA apprend à comprendre. La start-up chinoise DroidUp a présenté Moya, un robot humanoïde pensé avant tout pour tenir compagnie aux humains, en particulier aux personnes isolées ou âgées.

Moya mesure 1,65 m et reste remarquablement léger pour un humanoïde de cette taille — un choix qui le distingue nettement de ses concurrents :

Moya peut cligner des yeux, incliner la tête, esquisser de nombreuses micro-expressions. Sa peau en silicone est maintenue entre 32 et 36°C grâce à un système de chauffage interne : pour DroidUp, cette sensation de chaleur au toucher est essentielle pour créer un vrai lien émotionnel avec l’utilisateur. Le prix annoncé tourne autour de 173 000 dollars, avec un premier lot d’une cinquantaine d’unités attendu d’ici fin 2026.

🏓 Sony ACE bat des champions de tennis de table

Sony a publié un billet de blog qui révèle ce qui s’est passé après la parution de son article remarqué dans Nature sur son robot ACE : un bras robotique autonome de tennis de table, monté sur un rail motorisé, dont le système de perception repose sur 9 caméras synchronisées complétées par 3 systèmes de vision IA.

Le robot réagit donc 10 fois plus vite qu’un humain. L’objectif de cette expérience, dès le départ, était de reproduire ce qui s’est passé aux échecs face à Garry Kasparov ou au jeu de go face à Lee Sedol : créer une machine imbattable dans une discipline physique, ici le tennis de table. Dans le papier publié en avril dans Nature, ACE avait déjà battu des joueurs amateurs de très haut niveau, mais perdait encore face aux professionnels.

Ce que révèle ce nouveau billet, c’est une percée supplémentaire : ACE a remporté des matchs contre 7 joueurs professionnels classés au ranking mondial, sous les règles officielles de la fédération de tennis de table, avec des arbitres certifiés. Et le plus frappant : Sony n’a touché à aucun composant matériel. Le robot est physiquement identique à celui du papier original — tout le progrès vient du logiciel, c’est-à-dire de l’IA qui le pilote. C’est exactement pour ça que les progrès de l’IA impactent aussi directement l’avenir de la robotique : le corps, on sait déjà le construire. Le rendre suffisamment intelligent pour devenir autonome, c’est la prochaine étape — et elle pourrait arriver plus vite que prévu.

🎨 Le « moment Nano Banana » de la génération d’images open source

Retour à des outils utilisables dès maintenant. Le 16 juin, une nouvelle famille de modèles open source de génération d’images est sortie. Ce qui la rend intéressante n’est pas son nom — disons-le, pas franchement mémorable — mais ce qu’elle résout enfin pour l’écosystème open source : la compréhension du langage naturel.

Le problème historique du « prompt en tags »

Depuis Stable Diffusion, puis Flux, puis tous les modèles open source qui ont suivi, les générateurs d’images locaux fonctionnent avec des prompts en liste de mots-clés séparés par des virgules : femme, cheveux bruns, lumière dorée, style cinématique, 8k… Ce n’est pas du langage naturel, c’est une sorte de langage machine déguisé. Changez l’ordre des virgules, le résultat change. Oubliez un mot-clé, le modèle ne devine pas votre intention.

Dans le monde des IA fermées (ChatGPT, Google), ce problème a déjà été résolu — c’était le fameux « moment Nano Banana » : on écrit une vraie phrase, le modèle comprend le contexte et l’ambiance. Mais cette compréhension restait enfermée derrière des modèles propriétaires, sans accès possible.

Ce qui change : une architecture repensée depuis zéro

Plutôt que de peaufiner un modèle de diffusion existant avec du reinforcement learning comme les tentatives précédentes, l’équipe a reconstruit l’architecture depuis zéro autour d’un système intégré de compréhension du langage. Le modèle traite votre prompt comme une phrase à comprendre, pas comme une liste de tags à matcher.

• Version « base » pour le texte vers image classique
• Version « édition » pour modifier des images existantes
• Version « turbo » qui génère en 4 étapes au lieu de 20
• Compression FP8 disponible pour les cartes graphiques avec moins de VRAM

C’est un vrai avantage par rapport à des modèles concurrents distribués sous licence non commerciale. Si vous générez des images en local, celui-ci mérite clairement un test.

🖥️ Codex Record & Replay : l’IA qui apprend en vous regardant travailler

Après avoir compris vos phrases, l’outil suivant comprend carrément vos actions. OpenAI a lancé Record & Replay, une fonctionnalité de Codex disponible pour l’instant sur macOS. Le principe : vous enregistrez votre écran pendant que vous effectuez une tâche — publier une vidéo, remplir une note de frais, configurer un dossier client, peu importe. Codex observe le processus complet, comme une personne qui vous regarderait travailler, puis le transforme en une compétence réutilisable qu’il pourra exécuter à votre place.

1. Vous enregistrez votre écran

   Pendant que vous effectuez normalement votre tâche habituelle, sans rien changer à votre façon de faire.

2. Codex analyse l’intention, pas les pixels

   Il génère un fichier en langage naturel qui décrit ce que le workflow essaie d’accomplir — pas les coordonnées d’un clic.

3. Le modèle de raisonnement rejoue la tâche

   Il interprète cette description en fonction de l’état actuel de l’écran au moment de l’exécution.

Concrètement, si l’interface a changé entre-temps — un bouton qui s’est déplacé après une mise à jour — le « skill » s’adapte, là où un enregistreur de macro classique aurait simplement cassé. La fonctionnalité est disponible pour les abonnés Pro, Business et Enterprise, mais pas encore en Europe, ce qui est un peu curieux puisque Computer Use — la brique technologique sous-jacente — y est disponible depuis le 16 juin. À surveiller dans les prochaines semaines.